នៅពេលដែលពិភពលោកប្រញាប់ប្រញាល់ក្នុងការប្រើប្រាស់រលកចុងក្រោយនៃបច្ចេកវិទ្យា AI មួយផ្នែកនៃផ្នែករឹងបច្ចេកវិទ្យាខ្ពស់បានក្លាយទៅជាទំនិញដ៏ក្តៅគគុកដ៏គួរឱ្យភ្ញាក់ផ្អើល៖ អង្គភាពដំណើរការក្រាហ្វិក ឬ GPU ។
GPU កំពូលនៃបន្ទាត់អាចលក់សម្រាប់ រាប់ម៉ឺនដុល្លារហើយក្រុមហ៊ុនផលិតឈានមុខគេ Nvidia បានមើលឃើញការវាយតម្លៃទីផ្សាររបស់ខ្លួន។ កើនលើស 2 ពាន់ពាន់លានដុល្លារ ដោយសារតម្រូវការផលិតផលរបស់ខ្លួនកើនឡើង។
GPU មិនត្រឹមតែជាផលិតផល AI កម្រិតខ្ពស់ប៉ុណ្ណោះទេ។ មាន GPU ដែលមានឥទ្ធិពលតិចជាងនៅក្នុងទូរស័ព្ទ កុំព្យូទ័រយួរដៃ និងឧបករណ៍លេងហ្គេមផងដែរ។
មកដល់ពេលនេះ អ្នកប្រហែលជាឆ្ងល់ថា តើ GPU ជាអ្វី? ហើយអ្វីដែលធ្វើឱ្យពួកគេពិសេស?
តើ GPU ជាអ្វី?
GPUs ត្រូវបានរចនាដំបូងជាចម្បងដើម្បីបង្កើត និងបង្ហាញឈុត និងវត្ថុ 3D យ៉ាងរហ័សដូចជាអ្នកពាក់ព័ន្ធនឹងហ្គេមវីដេអូ និង ការរចនាជំនួយដោយកុំព្យូទ័រ កម្មវិធី។ GPUs ទំនើបក៏ដោះស្រាយភារកិច្ចដូចជា ធ្លាក់ទឹកចិត្ត ការផ្សាយវីដេអូ។
"ខួរក្បាល" នៃកុំព្យូទ័រភាគច្រើនគឺជាបន្ទះឈីបដែលហៅថា អង្គភាពដំណើរការកណ្តាល (CPU)។ ស៊ីភីយូអាចត្រូវបានប្រើដើម្បីបង្កើតឈុតក្រាហ្វិក និងបង្រួមវីដេអូ ប៉ុន្តែជាធម្មតាពួកវាមានល្បឿនយឺតជាង និងមិនសូវមានប្រសិទ្ធភាពក្នុងកិច្ចការទាំងនេះបើធៀបនឹង GPUs ។ ស៊ីភីយូគឺស័ក្តិសមជាងសម្រាប់កិច្ចការគណនាទូទៅ ដូចជាការដំណើរការពាក្យ និងការរុករកគេហទំព័រ។
តើ GPUs ខុសពី CPU យ៉ាងដូចម្តេច?
ស៊ីភីយូទំនើបធម្មតាត្រូវបានបង្កើតឡើងពី 8 ទៅ 16 "ស្នូល” ដែលនីមួយៗអាចដំណើរការកិច្ចការស្មុគស្មាញតាមលំដាប់លំដោយ។
ម្យ៉ាងវិញទៀត GPUs មានស្នូលតូចៗរាប់ពាន់ ដែលត្រូវបានរចនាឡើងសម្រាប់ដំណើរការទាំងអស់ក្នុងពេលតែមួយ ("ស្របគ្នា") ដើម្បីសម្រេចបាននូវដំណើរការទាំងមូលលឿន។ នេះធ្វើឱ្យពួកគេស័ក្តិសមសម្រាប់កិច្ចការដែលតម្រូវឱ្យមានប្រតិបត្តិការសាមញ្ញមួយចំនួនធំដែលអាចធ្វើបានក្នុងពេលតែមួយ ជាជាងមួយបន្ទាប់ពីមួយផ្សេងទៀត។
GPU ប្រពៃណីមានពីររសជាតិសំខាន់ៗ។
ទីមួយ មានបន្ទះឈីបដាច់ដោយឡែក ដែលជារឿយៗមាននៅក្នុងកាតបន្ថែមសម្រាប់កុំព្យូទ័រលើតុធំៗ។ ទីពីរគឺ GPUs រួមបញ្ចូលគ្នាជាមួយ CPU នៅក្នុងកញ្ចប់បន្ទះឈីបដូចគ្នា ដែលជារឿយៗត្រូវបានរកឃើញនៅក្នុងកុំព្យូទ័រយួរដៃ និងហ្គេមដូចជា PlayStation 5។ ក្នុងករណីទាំងពីរ CPU គ្រប់គ្រងអ្វីដែល GPU ធ្វើ។
ហេតុអ្វីបានជា GPUs មានប្រយោជន៍ខ្លាំងសម្រាប់ AI?
វាប្រែថា GPUs អាចត្រូវបានគេប្រើប្រាស់ឡើងវិញដើម្បីធ្វើលើសពីការបង្កើតឈុតក្រាហ្វិក។
បច្ចេកទេសរៀនម៉ាស៊ីនជាច្រើននៅពីក្រោយ ក្លែងបន្លំ, ដូចជា បណ្តាញសរសៃប្រសាទជ្រៅពឹងផ្អែកយ៉ាងខ្លាំងលើទម្រង់ផ្សេងៗនៃគុណម៉ាទ្រីស។
នេះជាប្រតិបត្តិការគណិតវិទ្យាដែលសំណុំលេខធំខ្លាំងត្រូវបានគុណនិងបូកបញ្ចូលគ្នា។ ប្រតិបត្តិការទាំងនេះគឺស័ក្តិសមទៅនឹងដំណើរការប៉ារ៉ាឡែល ដូច្នេះហើយអាចដំណើរការបានយ៉ាងលឿនដោយ GPUs ។
តើអ្វីជាបន្ទាប់សម្រាប់ GPUs?
សមត្ថភាពខ្លាំងនៃ GPUs កំពុងតែកើនឡើងជាលំដាប់ ដោយសារតែការកើនឡើងនៃចំនួនស្នូល និងល្បឿនប្រតិបត្តិការរបស់វា។ ការកែលម្អទាំងនេះត្រូវបានជំរុញជាចម្បងដោយការធ្វើឱ្យប្រសើរឡើងនៅក្នុងការផលិតបន្ទះឈីបដោយក្រុមហ៊ុនដូចជា TSMC នៅតៃវ៉ាន់។
ទំហំនៃត្រង់ស៊ីស្ទ័រនីមួយៗ - សមាសធាតុជាមូលដ្ឋាននៃបន្ទះឈីបកុំព្យូទ័រណាមួយ - កំពុងថយចុះ ដែលអនុញ្ញាតឱ្យត្រង់ស៊ីស្ទ័រកាន់តែច្រើនត្រូវបានដាក់ក្នុងបរិមាណដូចគ្នានៃទំហំរាងកាយ។
ទោះយ៉ាងណាក៏ដោយ នោះមិនមែនជារឿងទាំងមូលទេ។ ខណៈពេលដែល GPUs ប្រពៃណីមានប្រយោជន៍សម្រាប់កិច្ចការគណនាដែលទាក់ទងនឹង AI វាមិនល្អបំផុតនោះទេ។
ដូច GPUs ត្រូវបានរចនាឡើងដំបូងដើម្បីបង្កើនល្បឿនកុំព្យូទ័រដោយផ្តល់នូវដំណើរការពិសេសសម្រាប់ក្រាហ្វិក មានឧបករណ៍បង្កើនល្បឿនដែលត្រូវបានរចនាឡើងដើម្បីបង្កើនល្បឿនការងាររៀនម៉ាស៊ីន។ ឧបករណ៍បង្កើនល្បឿនទាំងនេះត្រូវបានសំដៅជាញឹកញាប់ថាជាមជ្ឈមណ្ឌលទិន្នន័យ GPUs ។
ឧបករណ៍បង្កើនល្បឿនដែលពេញនិយមបំផុតមួយចំនួនដែលផលិតដោយក្រុមហ៊ុនដូចជា AMD និង Nvidia បានចាប់ផ្តើមជា GPU ប្រពៃណី។ យូរ ៗ ទៅការរចនារបស់ពួកគេបានវិវឌ្ឍន៍ដើម្បីគ្រប់គ្រងភារកិច្ចរៀនម៉ាស៊ីនផ្សេងៗបានប្រសើរជាងមុនឧទាហរណ៍ដោយគាំទ្រ "ប្រសិទ្ធភាព"ខួរក្បាលអណ្តែត"ទម្រង់លេខ។
ឧបករណ៍បង្កើនល្បឿនផ្សេងទៀតដូចជា Google ជាដើម។ ឯកតាដំណើរការ tensor និង Tenstorrent ស្នូលដប់ប្រាំមួយ។ត្រូវបានរចនាឡើងពីមូលដ្ឋានឡើងដើម្បីបង្កើនល្បឿនបណ្តាញសរសៃប្រសាទជ្រៅ។
GPUs មជ្ឈមណ្ឌលទិន្នន័យ និងឧបករណ៍បង្កើនល្បឿន AI ផ្សេងទៀតជាធម្មតាមកជាមួយអង្គចងចាំច្រើនជាងកាតបន្ថែម GPU ប្រពៃណី ដែលមានសារៈសំខាន់សម្រាប់ការបណ្តុះបណ្តាលម៉ូដែល AI ធំ។ ម៉ូដែល AI កាន់តែធំ វាកាន់តែមានសមត្ថភាព និងភាពត្រឹមត្រូវ។
ដើម្បីបង្កើនល្បឿនការបណ្តុះបណ្តាល និងដោះស្រាយសូម្បីតែម៉ូដែល AI ធំជាង ដូចជា ChatGPT មជ្ឈមណ្ឌលទិន្នន័យ GPU ជាច្រើនអាចត្រូវបានបញ្ចូលគ្នាដើម្បីបង្កើតជាកុំព្យូទ័រទំនើបមួយ។ នេះតម្រូវឱ្យមានកម្មវិធីស្មុគស្មាញបន្ថែមទៀតដើម្បីប្រើប្រាស់ថាមពលបំបែកលេខដែលមានឱ្យបានត្រឹមត្រូវ។ វិធីសាស្រ្តមួយទៀតគឺ បង្កើតឧបករណ៍បង្កើនល្បឿនធំតែមួយដូចជា "ម៉ាស៊ីនដំណើរការខ្នាត waferផលិតដោយ Cerebras ។
តើបន្ទះសៀគ្វីពិសេសនាពេលអនាគត?
ស៊ីភីយូក៏មិននៅស្ងៀមដែរ។ ស៊ីភីយូថ្មីៗពី AMD និង Intel មានការណែនាំកម្រិតទាបដែលបង្កើនល្បឿនការបំបែកលេខដែលត្រូវការដោយបណ្តាញសរសៃប្រសាទជ្រៅ។ មុខងារបន្ថែមនេះជួយជាចម្បងជាមួយនឹងកិច្ចការ "ការសន្និដ្ឋាន" ពោលគឺការប្រើប្រាស់គំរូ AI ដែលត្រូវបានអភិវឌ្ឍរួចហើយនៅកន្លែងផ្សេង។
ដើម្បីបណ្តុះបណ្តាលម៉ូដែល AI ជាដំបូង ឧបករណ៍បង្កើនល្បឿនដូច GPU ធំនៅតែត្រូវការ។
វាអាចធ្វើទៅបានដើម្បីបង្កើតឧបករណ៍បង្កើនល្បឿនដែលមានឯកទេសបន្ថែមទៀតសម្រាប់ក្បួនដោះស្រាយការរៀនម៉ាស៊ីនជាក់លាក់។ ជាឧទាហរណ៍ថ្មីៗនេះ ក្រុមហ៊ុនមួយឈ្មោះថា Groq បានបង្កើត "អង្គភាពដំណើរការភាសា” (LPU) ដែលត្រូវបានរចនាឡើងជាពិសេសសម្រាប់ដំណើរការគំរូភាសាធំ ៗ តាមបន្ទាត់នៃ ChatGPT ។
ទោះជាយ៉ាងណាក៏ដោយ ការបង្កើតប្រព័ន្ធដំណើរការឯកទេសទាំងនេះត្រូវការធនធានវិស្វកម្មយ៉ាងច្រើន។ ប្រវត្តិបង្ហាញពីការប្រើប្រាស់ និងប្រជាប្រិយភាពនៃក្បួនដោះស្រាយការរៀនម៉ាស៊ីនដែលបានផ្តល់ឱ្យណាមួយមាននិន្នាការឈានដល់កម្រិតកំពូល ហើយបន្ទាប់មកធ្លាក់ចុះ—ដូច្នេះផ្នែករឹងឯកទេសមានតម្លៃថ្លៃអាចនឹងហួសសម័យយ៉ាងឆាប់រហ័ស។
ទោះយ៉ាងណាក៏ដោយ សម្រាប់អ្នកប្រើប្រាស់ជាមធ្យម វាទំនងជាមិនមានបញ្ហាទេ។ GPUs និងបន្ទះឈីបផ្សេងទៀតនៅក្នុងផលិតផលដែលអ្នកប្រើទំនងជានឹងបន្តដំណើរការលឿនជាងមុនដោយស្ងាត់ស្ងៀម។
អត្ថបទនេះត្រូវបានបោះពុម្ពឡើងវិញពី ការសន្ទនា ក្រោមអាជ្ញាប័ណ្ណ Creative Commons ។ អាន អត្ថបទដើម.
ឥណទានរូបភាព: nvidia បាន
- SEO ដែលដំណើរការដោយមាតិកា និងការចែកចាយ PR ។ ទទួលបានការពង្រីកថ្ងៃនេះ។
- PlatoData.Network Vertical Generative Ai. ផ្តល់អំណាចដល់ខ្លួនអ្នក។ ចូលប្រើទីនេះ។
- PlatoAiStream Web3 Intelligence ។ ចំណេះដឹងត្រូវបានពង្រីក។ ចូលប្រើទីនេះ។
- ផ្លាតូអេសជី។ កាបូន CleanTech, ថាមពល, បរិស្ថាន, ពន្លឺព្រះអាទិត្យ ការគ្រប់គ្រងកាកសំណល់។ ចូលប្រើទីនេះ។
- ផ្លាតូសុខភាព។ ជីវបច្ចេកវិទ្យា និង ភាពវៃឆ្លាត សាកល្បងគ្លីនិក។ ចូលប្រើទីនេះ។
- ប្រភព: https://singularityhub.com/2024/03/13/what-is-a-gpu-the-chips-powering-the-ai-boom-and-why-theyre-worth-trillions/